Об использовании априорной информации в регрессионном анализе

• Published in: Кибернетика и системный анализ
• Date: 2013
• Main Author: Корхин, А.С.
• Format: Article
• Language: Russian
• Published: Інститут кібернетики ім. В.М. Глушкова НАН України 2013
• Subjects: Системный анализ
• Online Access: https://nasplib.isofts.kiev.ua/handle/123456789/86164
• Journal Title: Digital Library of Periodicals of National Academy of Sciences of Ukraine
• Cite this: Об использовании априорной информации в регрессионном анализе / А.С. Корхин // Кибернетика и системный анализ. — 2013. — Т. 49, № 1. — С. 49-64. — Бібліогр.: 17 назв. — рос.

Розглянуто методи оцінювання параметрів регресії з урахуванням невизначеної апріорної інформації двох видів: нечіткої і стохастичної. Вважається, що нечітка апріорна інформація формулюється на основі нечітких уявлень конструктора моделі. У якості стохастичної апріорної інформації розглядаються лінійні за параметрами регресії системи рівнянь, правими частинами яких є випадкові величини. Параметри регресії можуть бути як постійними, так і змінними у часі величинами. Запропоновано класифікацію методів оцінювання, що використовують невизначену апріорну інформацію, на основі якої одержано узагальнення відомих методів, а також розроблено метод оцінювання, що дозволяє поєднувати нечітку і стохастичну апріорну інформацію про параметри регресії. The paper considers the methods to evaluate regression parameters under indefinite a priori information of two types: fuzzy and stochastic. Fuzzy a priori information is assumed to be formulated on the basis of fuzzy notions of the model designer. The stochastic a priori information is systems of equations, which are linear in regression parameters and whose right-hand sides are random variables. The regression parameters may both be constant and vary in time. A classification of the evaluation methods using indefinite a priori information is proposed and used to generalize the well-known methods. An evaluation method is developed, which combines the fuzzy and stochastic a priori information about regression parameters.